使用摊销变分推断对人类认知中动态因果回路的全脑建模

理解认知背后的动态机制仍然是人类神经科学中的一项重大挑战。在此，我们开发、验证并应用了多变量动力系统识别与摊销变分推断（Multivariate Dynamical Systems Identification with Amortized Variational Inference, MDSI-AVI），这是一种新颖的计算框架，旨在解决在 fMRI 数据中捕捉非对称、依赖情境、全脑定向相互作用的关键挑战，同时考虑脑区血流动力学反应变异性。MDSI-AVI 通过前向和反向变分推断利用基于模拟的推断，以克服传统变分方法在高维情形下的局限性。通过利用前向模拟对血流动力学反应参数的不确定性进行平均，MDSI-AVI 能够提供校准良好的定向连接后验分布，并可高效扩展至包含数百个节点的网络。将其应用于人类连接组计划数据（N=728）后，MDSI-AVI 揭示了有关工作记忆机制的新见解，识别出背侧前脑岛是一个在全脑水平上影响活动的关键枢纽。我们证明了因果影响存在任务依赖性的调节：显著性网络驱动额顶网络活动，而额顶网络又会根据工作记忆负荷的不同，对默认模式网络和感觉运动网络产生差异性影响。这些全脑因果相互作用能够以较高准确率区分任务条件，并预测工作记忆表现。我们的框架在不同的全脑分区方案下表现出可重复的结果，确立了 MDSI-AVI 作为推进我们理解认知与疾病中回路动力学的稳健工具的地位。

理解认知基础动态机制仍然是人类神经科学中的一项重大挑战。在此，我们开发、验证并应用了具有摊销变分推断的多变量动力系统识别（Multivariate Dynamical Systems Identification with Amortized Variational Inference, MDSI-AVI），这一新型计算框架旨在应对在 fMRI 数据中刻画非对称、情境依赖的全脑定向相互作用，同时考虑脑区血流动力学反应变异性时所面临的关键挑战。MDSI-AVI 通过前向和反向变分推断利用基于模拟的推断，以解决传统变分方法在高维情境下的局限性。通过利用前向模拟对血流动力学反应参数的不确定性进行平均，MDSI-AVI 提供了校准良好的定向连接后验分布，并且能够高效扩展至具有数百个节点的网络。将其应用于人类连接组计划（Human Connectome Project）数据（N=728）后，MDSI-AVI 揭示了有关工作记忆机制的新见解，识别出背侧前脑岛是一个在全脑水平影响活动的关键枢纽。我们证明了因果影响的任务依赖性调制：显著性网络驱动前顶叶网络活动，而前顶叶网络又会根据工作记忆负荷的不同，对默认模式网络和感觉运动网络产生差异性影响。这些全脑因果相互作用能够以高准确率区分任务条件，并预测工作记忆表现。我们的框架在不同全脑分区方案下展现出可重复的结果，确立了 MDSI-AVI 作为推动我们理解认知与疾病中回路动力学的稳健工具的地位。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.03.742253v1?rss=1

🏷️ 全脑建模 动态因果连接 摊销变分推断 fMRI 工作记忆 功能网络